写在前面：
1. 本文中提到的“股票策略校验工具”的具体使用操作请查看该博文；
2. 文中知识内容来自书籍《同花顺炒股软件从入门到精通》
3. 本系列文章是用来学习技法，文中所得内容都仅仅只是作为演示功能使用

目录

解说

策略代码

结果

---

解说

        所谓“三杆通底”是指股价跌到低位后，又接连出现三条下降的大阴线，且一根接一根地通到底部。“三杆通底”形态出现后的反弹力度一般较大，是短线获利的难得机会。因为该形态的三条大阴线，消耗了空头的有生力量，多头会趁机抢筹，推动股价上扬，掀起一轮反弹行情，在第三条大阴线的收盘价附近买入，后市一般都会获利。

        出现“三杆通底”的形态后，股票投资者需遵循以下操作原则。

        1）“三杆通底”形态可在底部行情和下降行情的途中出现。在底部行情中出现时，可放心买入，因为此时能基本确认股价已跌到了底部，买进后，凤霞较小，获利较为可靠。

        2）“三杆通底”形态在下降行情途中出现时，需要谨慎对待，缺乏短线经验的投资者，最好避免参与，以防不测。

        那么如何区分是底部行情的“三杆通底”形态，还是下降行情中的“三杆通底”形态呢？较为可靠的判断依据有两条：一是以股价下跌的深度作为判断的依据。股价上升到高位后，回档整理不久，下跌幅度较小，这时出现的连续三条大阴线，多属下跌途中的“三杆通底”形态，操作时就得慎重。反之，股价下跌的幅度已经很大，此时出现连续三条下降的大阴线，多为见底特征，可放心买入。二是依据30日移动平均线的走势情况进行判断。当30日均线由高位转势下行，在没有出现与5日均线金叉的情况下，如果出现了三条大阴线，就属于下降途中的“三杆通底”图线。反之，30日均线在低位与5日均线实现了金叉后出现的三条大阴线，就属于底部行情的“三杆通底”形态，此时就可放心买入。

        3）“三杆通底”形态中的三条阴线，均要求为大阴线，每条阴线的跌幅不应小于3%，三条阴线的总跌幅不应少于10%，跌幅越大，有效性越高。第三条大阴线如果是三条阴线中最长的一条阴线的话，那么后市见底的可能性就会更大一些，反弹的力度也相应提高。

        4）“三杆通底”形态形成后，在个别情况下，会出现继续下跌的走势。这种情况，多半出现在下降行情途中，或者三条阴线的总跌幅没达到10%以上，属于“瘪球落地”形态，缺乏反弹动力，股价只好继续下跌，寻求支撑。如果已按这一形态买进股票的投资者，第二天不涨反跌时，应迅速止损，以免越套越深，难以自拔。

策略代码

def excute_strategy(base_data,data_dir):
    '''
    买入口诀 - 三杆通底，反弹在即
    解析：
    1. 接连出现三条下降的大阴线
    2. 每条阴线的跌幅大于等于3%
    3. 三条阴线的总跌幅不应少于10%
    自定义：
    1. 大阴线 =》实体大于昨收的4%
    2. 买入点 =》三阴线后一个交易日收盘价
    3. 胜 =》 买入后第三日收盘价涨跌幅，正为胜
    只计算最近两年的数据
    :param base_data:股票代码与股票简称 键值对
    :param data_dir:股票日数据文件所在目录
    :return:
    '''
    import pandas as pd
    import numpy as np
    import talib,os
    from datetime import datetime
    from dateutil.relativedelta import relativedelta

    def res_pre_two_year_first_day():
        pre_year_day = (datetime.now() - relativedelta(years=2)).strftime('%Y-%m-%d')
        return pre_year_day
    caculate_start_date_str = res_pre_two_year_first_day()

    dailydata_file_list = os.listdir(data_dir)

    total_count = 0
    total_win = 0
    check_count = 0
    list_list = []
    detail_map = {}
    for item in dailydata_file_list:
        item_arr = item.split('.')
        ticker = item_arr[0]
        secName = base_data[ticker]
        file_path = data_dir + item
        df = pd.read_csv(file_path,encoding='utf-8')
        # 删除停牌的数据
        df = df.loc[df['openPrice'] > 0].copy()
        df['o_date'] = df['tradeDate']
        df['o_date'] = pd.to_datetime(df['o_date'])
        df = df.loc[df['o_date'] >= caculate_start_date_str].copy()
        # 保存未复权收盘价数据
        df['close'] = df['closePrice']
        # 计算前复权数据
        df['openPrice'] = df['openPrice'] * df['accumAdjFactor']
        df['closePrice'] = df['closePrice'] * df['accumAdjFactor']
        df['highestPrice'] = df['highestPrice'] * df['accumAdjFactor']
        df['lowestPrice'] = df['lowestPrice'] * df['accumAdjFactor']

        if len(df)<=0:
            continue

        # 开始计算
        df.reset_index(inplace=True)
        df['i_row'] = [i for i in range(len(df))]
        df['body_length'] = abs(df['closePrice']-df['openPrice'])
        df['big_body'] = 0
        df.loc[(df['closePrice']<df['openPrice']) & (df['body_length']/df['closePrice'].shift(1)>0.04),'big_body'] = 1
        df['close_chg'] = ((df['closePrice'] - df['closePrice'].shift(1))/df['closePrice'].shift(1))*100
        df['three_yeah'] = 0
        df.loc[(df['big_body']==1) & (df['big_body'].shift(-1)==1) & (df['big_body'].shift(-2)==1) & (df['close_chg']<=-3) & (df['close_chg'].shift(-1)<=3) & (df['close_chg'].shift(-2)<=3),'three_yeah'] = 1
        df['target_yeah'] = 0
        df.loc[(df['three_yeah']==1) & ((df['close_chg']+df['close_chg'].shift(-1)+df['close_chg'].shift(-2))<=10),'target_yeah'] = 1

        df['three_chg'] = round(((df['close'].shift(-3) - df['close']) / df['close']) * 100, 4)
        df['three_after_close'] = df['close'].shift(-3)

        df_target = df.loc[df['target_yeah']==1].copy()

        node_count = 0
        node_win = 0
        duration_list = []
        table_list = []
        i_row_list = df_target['i_row'].values.tolist()
        for i,row0 in enumerate(i_row_list):
            row = row0 + 3
            if row >= len(df):
                continue
            date_str = df.iloc[row]['tradeDate']
            cur_close = df.iloc[row]['close']
            three_after_close = df.iloc[row]['three_after_close']
            three_chg = df.iloc[row]['three_chg']

            table_list.append([
                i,date_str,cur_close,three_after_close,three_chg
            ])
            duration_list.append([row-3,row+3])
            node_count += 1
            if three_chg>0:
                node_win +=1
            pass

        list_list.append({
            'ticker':ticker,
            'secName':secName,
            'count':node_count,
            'win':0 if node_count<=0 else round((node_win/node_count)*100,2)
        })
        detail_map[ticker] = {
            'table_list': table_list,
            'duration_list': duration_list
        }

        total_count += node_count
        total_win += node_win
        check_count += 1
        pass
    df = pd.DataFrame(list_list)

    results_data = {
        'check_count':check_count,
        'total_count':total_count,
        'total_win':0 if total_count<=0 else round((total_win/total_count)*100,2),
        'start_date_str':caculate_start_date_str,
        'df':df,
        'detail_map':detail_map
    }
    return results_data

结果

 本文校验的数据是随机抽取的81个股票